Se identificaron los tipos y grados de dificultad que presentan los conectivos de la lógica proposicional cuando se aplican en tareas donde se debe evaluar si una regla de contenido abstracto se satisface o no. Se administraron 36 ítems a 400 estudiantes de Psicología. Se ajustó un modelo de regresión múltiple tomando como variable dependiente el logaritmo de la razón entre la proporción de respuestas correctas e incorrectas. Los conectivos que introdujeron más dificultad, en orden creciente, son: condicional de antecedente falso, negación afectando a la conjunción o disyunción, doble negación y negación de cuantificadores. El porcentaje promedio de respuesta correcta para los condicionales de antecedente falso fue sólo del 25%. Se advirtió que algunos condicionales de antecedente falso pueden ser respondidos correctamente por incurrir en la falacia de negación del antecedente y no porque se aplique bien la operación, lo que invalidaría este tipo de ítems para la evaluación psicométrica. La regresión explica en un 75% la variabilidad y permite predecir con una aproximación satisfactoria el nivel de dificultad de la mayoría de los ítems que componen la tarea. Se comentan otras fuentes de dificultad de algunos ítems en particular no contempladas en el modelo de regresión ajustado. Palabras clave Lógica proposicional Regresión logit Condicional Leyes de De Morgan ABSTRACT DIFFICULTY OF LOGICAL OPERATIONS IN EVALUATING TASKS WITH ABSTRACT CONTENTS The objective of this study is to identify the kinds and levels of difficulty that logical operators present when they are applied for evaluating whether a rule is satisfied or not. The rules were formulated in abstract terms in order to avoid potential biases that the concrete content might introduce. 36 items were administered to 400 students of psychology. A multiple regression model was fitted using the logarithm of the ratio between the proportions of correct and incorrect answers as dependent variable. The connectives that introduced more difficulty, in increasing order, were: conditionals with false antecedent, negation when affecting the conjunction or disjunction, double negation and negation of quantifiers. The average percent of correct answer for the conditionals with false antecedent was only 25%. It is pointed out the fact that conditionals with false antecedent might be answered correctly by incurring in the fallacy of negation of antecedent instead of for having applied the operator correctly, which would invalidate such items for psychometric evaluation. The regression model explains 75% of the variability and allows to predict quite satisfactorily the level of difficulty of most of the items that compose the task. Other sources of difficulty for some particular items that were not considered in the fitted model are mentioned. Key words Propositional logic Logit regression Conditional De